論文の概要: Adaptive Synaptic Failure Enables Sampling from Posterior Predictive Distributions in the Brain

• arxiv url: http://arxiv.org/abs/2210.01691v1
• Date: Tue, 4 Oct 2022 15:41:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:09:51.889565
• Title: Adaptive Synaptic Failure Enables Sampling from Posterior Predictive Distributions in the Brain
• Title（参考訳）: アダプティブシナプス障害は脳の後方予測分布からのサンプリングを可能にする
• Authors: Kevin McKee, Ian Crandell, Rishidev Chaudhuri, Randall O'Reilly
• Abstract要約: 多くの人はシナプス障害が脳における変分、すなわち近似的ベイズ推論のメカニズムを構成すると推測している。 学習したネットワーク重みに伝達確率を適応させることにより、シナプス故障はモデル不確実性だけでなく、完全な後続予測分布にも適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 3.57214198937538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian interpretations of neural processing require that biological mechanisms represent and operate upon probability distributions in accordance with Bayes' theorem. Many have speculated that synaptic failure constitutes a mechanism of variational, i.e., approximate, Bayesian inference in the brain. Whereas models have previously used synaptic failure to sample over uncertainty in model parameters, we demonstrate that by adapting transmission probabilities to learned network weights, synaptic failure can sample not only over model uncertainty, but complete posterior predictive distributions as well. Our results potentially explain the brain's ability to perform probabilistic searches and to approximate complex integrals. These operations are involved in numerous calculations, including likelihood evaluation and state value estimation for complex planning.
• Abstract（参考訳）: ニューラルプロセッシングのベイズ解釈では、生物学的メカニズムはベイズの定理に従って確率分布を表現し、操作する必要がある。 多くの人はシナプス障害が脳における変分、すなわち近似的ベイズ推論のメカニズムを構成すると推測している。 従来のモデルでは, モデルパラメータの不確かさに対してシナプス障害をサンプリングしているが, 学習したネットワーク重みに伝達確率を適応させることで, モデル不確かさだけでなく, 完全な後続予測分布に対してもシナプス障害をサンプリングできることが実証された。 この結果は、確率的探索と複雑な積分を近似する脳の能力を説明する可能性がある。 これらの演算は、複素計画のための可能性評価や状態値推定など、多くの計算に関わっている。

関連論文リスト

• A variational neural Bayes framework for inference on intractable posterior distributions [1.0801976288811024]
  トレーニングされたニューラルネットワークに観測データを供給することにより、モデルパラメータの後方分布を効率的に取得する。 理論的には、我々の後部はKulback-Leiblerの発散において真の後部に収束することを示す。
  論文  参考訳（メタデータ） (2024-04-16T20:40:15Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Looking at the posterior: accuracy and uncertainty of neural-network predictions [0.0]
  予測精度はてんかんとアレタリック不確実性の両方に依存している。 本稿では,共通不確実性に基づく手法よりも優れた新たな獲得関数を提案する。
  論文  参考訳（メタデータ） (2022-11-26T16:13:32Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Bayesian Neural Networks for Reversible Steganography [0.7614628596146599]
  ベイズ深層学習の理論的枠組みに基づく予測モデルにおける不確実性を検討することを提案する。 我々はモンテカルロサンプリングによる後方予測分布を可逆な前方通過で近似した。 予測の不確実性はアレータリックな不確実性に切り離すことができ、これらの量は教師なしの方法で学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-07T14:56:33Z)
• Locally Learned Synaptic Dropout for Complete Bayesian Inference [5.926384731231605]
  以前にも、ランダムな故障が観測された分布からネットワークをサンプリングする方法は示されていない。 集団コードに基づくニューラルアクティビティの解釈では、両方のタイプの分布をシナプス障害のみで表現し、サンプル化することができる。
  論文  参考訳（メタデータ） (2021-11-18T16:23:00Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Probabilistic solution of chaotic dynamical system inverse problems using Bayesian Artificial Neural Networks [0.0]
  カオスシステムの逆問題は数値的に困難である。 モデルパラメータの小さな摂動は、推定された前方軌道において非常に大きな変化を引き起こす可能性がある。 ビザレニューラルネットワークは、モデルに同時に適合し、モデルのパラメータの不確実性を推定するために使用することができる。
  論文  参考訳（メタデータ） (2020-05-26T20:35:02Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。